《eviews6.0操作关键方法记录本》由会员分享，可在线阅读，更多相关《eviews6.0操作关键方法记录本（24页珍藏版）》请在金锄头文库上搜索。
1、1.1.用用 EviewsEviews 6.06.0 生产一个生产一个 0 0 均值的序列或对数数列均值的序列或对数数列1.1.1.1.用途及原理用途及原理原序列非常的不稳定,不稳定序列可以取均值或者对数数列,让其趋于稳定,才能做预测或者拟合. 对于平稳随机过程，我们已经建立了一整套的处理方法。由于平稳序列的均值、方差、协方差等数字特征并不伴随着时间的推移而变化，且其数字特征具有遍历性，因此可以基于时间序列在过去时点上的信息，建立拟合模型，用于预测时间序列在未来时点上的特征或者可能出现的情景。但在经济实践中，诸如国内生产总值之类的实际经济统计时间序列经常呈现出系统性地上涨或下降的趋势。有些时间
2、序列还具有周期性波动的特征，例如社会零售总额的月度时间序列数据等。诸如此类的时间序列样本数据不可能生成于平稳随机过程，从而可看成来自于非平稳随机过程的样本数据。然而，非平稳时间序列的数字特征会伴随着时间的推移而变化，亦即其在不同时点上的统计规律性互不相同，且不具有遍历性，因此不能基于序列既往的信息来推测其在未来的可能情景。于是我们必须建立一套处理非平稳随机过程的专门方法。其中，设法将其平稳化是处理非平稳随机过程的基本思路。1.21.2 操作方法操作方法实验操作数据基于甘蔗产量实验操作数据基于甘蔗产量 ExcelGZCLExcelGZCL取对数数列变量窗口下操作如下：相对于原数列取 0 均值序列
3、操作如下：第一步，找出原数列的 Mean（均值），操作如上。结果如下。Mean:均值 Median:中值（中位数） Max Min:最大值，最小值Std.Dev:样本标准差 Skewness:偏度(直观看来就是密度函数曲线尾部的相对长度,即曲线峰波往哪边偏，偏的是多少，BS)Kurtosis:峰度（峰度是用来反映频数分布曲线顶端尖峭或扁平程度的指）第二步，利用 Mean 数值做出 O 均值序列。操作如下：出现以下窗口：输入命令：X=GZCL-Mean(输入 Mean 代表的具体数值)确定后，既可得到相对于原序列的，0 均值序列在对时间序列进行拟合的时候,如果用二次或者 n 次函数或其他函数方式
4、进行拟合。需要注意，真实观测值是 A-B 的范围（1979-2013），样本为 35 个，B+1，B+2 为需要预测的年份，样本最多变成 37 个。那么，在建立 t 的时候，就要给出 B+1，B+2 的数值，也就是要填进去36，37 数字。Comment U1: 这里是实际观测值的这里是实际观测值的 前一年，比如说是前一年，比如说是 1979-20131979-2013 的观测的观测 值，这里趋势就用值，这里趋势就用 1978,1979-1.1978,1979-1.Comment U2: 建立一个样本矩阵建立一个样本矩阵. . 样本量为样本量为 35,35,样本个数为样本个数为 1 1Comm
5、ent U3: 符号语言：表示后面符号语言：表示后面 绿色字绿色字 EVIEWSEVIEWS 不用于计算不用于计算如何给时间序列做如何给时间序列做 p-Qp-Q 检验检验在做完 ARIMA 模型后，得出了 MAPE 和 TIC，差一个 p-Q 检验，也就是白噪声检验。做法如下：在方程输出窗口中，操作如下:在方程结果输出中,选择如上操作进行倒数第二个的 LM 检验.输入参数P 的值得，然后看一个大的 Q 的 R 平方调整的值和概率。P0.5 才算通过，不然都不算。LMALMA 方法拟合方法拟合以下程序必须在EVIEWS的program窗口下才能运行。否则会出现错误series id=trend(
6、1978)matrix(35,1) dataout=0 35为样本量；1为样本个数定义变量Comment U4: 表示循环带入样本数表示循环带入样本数. . 1 1 toto 1 1 就是一个样本，不能写成就是一个样本，不能写成 0 0 toto 1.1.Comment U5: 为什么这么取，看王为什么这么取，看王 克的硕士论文克的硕士论文Comment U6: ()()必须要必须要Comment U7: 这里要注意，由于样这里要注意，由于样 本只有一个，因此要把序列名称改为本只有一个，因此要把序列名称改为 DC1DC1。对应。对应 forfor !num!num =1=1 toto 1.1.
7、如果样如果样 本有多个，要分别命名，然后本有多个，要分别命名，然后 forfor !num=1!num=1 toto n.n.Comment U8: 步长步长+1+1for !num=1 to 1!count=!num!a=1979!b=!a+20 20+1为步长!t=0vector(35) trend=0coef(35) count=0while !b0 thentrend(!n)=trend(!n)+ess(!n)count(!n)=count(!n)+1endifnext!a=!a+1!b=!b+1!t=!t+1wendfor !p=1 to 35scalar num=count(!p)
8、if num=0 thennum=1endif dataout(!p,!count)=trend(!p)/numnextnextsmpl all用用 LogisticLogistic 曲线进行农作产量拟合曲线进行农作产量拟合输入公式输入公式: : -(1*)ayktb e其中，其中，a a、b b、k k 分别是分别是 C1C1、C2C2、C3C3。A 代表的是农作物产量的峰值，也就是农作物产量的最大值，如何用 EVIEWS 生产一个白噪声序列wfcreate u 1000 generate a work file including 1000 observations series x WN
9、 series x=rnorm iid realizations from Normal distribution series y=0 smpl first+1 last y=y(-1)+x random walkEVIEWS6.0 运行过程中常出现的错误提示符号 unmatched parentheses 这个是告诉你，括号两个肯定不对，要么前后不一样，要么数量不一 样。这个错误告诉你，样本量不足！异方差的诊断和处理异方差的诊断和处理基于基于 EVIEWS8.0plusEVIEWS8.0plus 实现实现利用数据：the lecture two,：交叉项 WLS 实验数据 Ls y c x
10、1 x2 1.发现 x1 参数检验不过，R2一般，首先怀疑存在 WLS。2.对残差进行 White 检验.在方程结果输出结果点击。因为模型中有 X1、X2，所以，那个“包含交叉项的要打钩” 3.输出结果解释：F 统计量 P=0，说明存在异方差，只有当 P0.05 的时候，才能说 它没有异方差。4.如何处理异方差。首先，现实中，一般直接用稳健标准误去做，如果样本容量够 大的话。EVIES8.0plus 似乎和版本 6 不一样，所以这里用 6 进行操作。在第一个框 框那个 LS&TSLS 下面打钩，然后选择的是 White 方法。其他的全部都不要动。输出结果： 普通 LS 回归：稳健标准误回归：由
11、于样本太小，所以 t 检验还是通不过，如果是大样本是可以通过的，而且，稳健 标准误改变是 std.Erroe.标准误，而不是参数系数，所以，这是很好的结果。 第二种处理方法：WLS。加权最小二乘法。核心内容是，要通过不断试算，找出 W。 其中，计算 W 的方法采用伍德里奇的方法，可以杜绝负数存在的可能。W 的计算公 式为： W=1/sqrt(exp(最好的试算) 这里最好的试算，指的是，全部试算参数的 t 检验 T 通过，F 统计量越大越好。 试算过程链接如下： .计量经济学（张玉荣）third lecture4.1 异方差和序 列相关.ppt多重共线性诊断和处理多重共线性诊断和处理基于基于
12、EVIEWS8.0plusEVIEWS8.0plus 实实现现多重共线性在多元回归中常常碰到，就是 X2 和 X3 互相影响，反而模糊了对 Y 的影响。所以多重共线性问题不大，判断多重共线性很简单，就三步。数据来 源：the third lecture :中国粮食生产数据VariableCoefficientStd. Errort-StatisticProb. C-26695.087507.527-3.5557750.0021X15.9945110.6097139.8316850.0000X20.5367010.0578589.2762450.0000X3-0.1358730.029720-4
13、.5717320.0002X4-0.0908220.042053-2.1596960.0438X5-0.0073900.070511-0.1048140.9176R-squared0.980829 Mean dependent var44945.64Adjusted R-squared0.975783 S.D. dependent var4150.729S.E. of regression645.9230 Akaike info criterion15.98480Sum squared resid7927113. Schwarz criterion16.27733Log likelihood-
14、193.8100 Hannan-Quinn criter.16.06594F-statistic194.4114 Durbin-Watson stat1.715679Prob(F-statistic)0.000000判断：第一，Adj-R2很大，说明各个 X 对 Y 的解释到位，而且这不是时间序列， 应该不会是伪回归。第二，X4，X5 参数都没通过检验。第三，X4、X5 符号方 向和现实意义完全相反，X4、X5 代表的是受灾面积和农业机械化程度，Y 代表 粮食产量，X5 和 Y 之间是负影响，这是不可能的。考虑可能存在多重共线性， 同时，做 White 检验。 为了找到谁和谁高度相关，这里用
15、group-correlation.然后在对话框里输入要检测的自变量。得到自相关结果如下：这个图看横着的和竖着的两个变量的对应的值。参数越大，说明相关程度越高， 很明显这里 X4 和 X1 相关系数为 0.952746，高度相关。X5 和 X4 一般相关。考 虑采用 step-ls 逐步回归来剔除某些变量。处理方法：step-ls选定后会出现和 LS 不同的对话框，其中上面的部分只包含 Y、C 的，就是必须 包括的变量，而下面的部分就是我们的全部自变量，注意是要全部。接下来要设置 P 值达到多少要被剔除出模型。首先，选择 stepwise，在 selection method 里面，然后有一个
16、 p-value，这 里系统默认是 0.5，要根据我们自己需要改成 0.05 或者 0.01 或者 0.1，意思是，t 统计量的 P 超过这个值，就被剔除出模型。1000,1000，2000 的意思是 迭代的次数，可以多设置一些。最后的结果就是，X5 被剔除了。注意，被剔除不是 X4，虽然在模型 correlation 中 X4 和 X1 高度相关，但可能是由于 X5 存在导致的。序列自相关检验和处理序列自相关检验和处理基于基于 EVIEWS8.0plusEVIEWS8.0plus 实实现现序列自相关意思是,去年的自己弄死今年的自己。某个序列在时间抽上不断互 相影响，一般来说，时间序列都有惯性，放到 ARIMA、协整里没什么事情，一 旦进行多元回归就是致命性的。另外，模型错误，样本量缺失而使用的“木 遁平均扦插之术”，遗落关键变量也
